Evolução de Dados não estruturados em Contact Centers

Tendo passado mais de 15 anos, os call centers, que foram os pontos focais de interações com clientes de todo o tipo – inscrever-se para um cartão de crédito, subscrição de uma conexão de energia para a obtenção de problemas de seu computador resolvido através de telefone ou um canal on-line para solicitar o cancelamento de diferentes empresas de subscrição – uma coisa que eu vejo comum entre a meia dúzia de organizações que tenho trabalhado.

Todos eles lidam com mais de 10 milhões de transações por mês e há uma enorme oportunidade para entender o comportamento do cliente durante as diferentes fases do ciclo de vida do produto. Todas estas organizações lidam com dados estruturados em torno destas interações extremamente bem. Há muitos relatórios significativos que são necessários e estão em sistemas diferentes do sistema principal, isto é, necessita de cruzar dados de plataformas diferentes e principalmente não estruturados.

Por volta de 2004-05, a maioria dos clientes norte-americanos começaram a olhar para Filipinas como uma opção em comparação com cidades indianas. O fato de que os americanos governaram a nação do Sudeste Asiático tinha definitivamente tinha um papel a desempenhar na sua cultura atual que é muito “Siga os Yankees”. Um pouco mais tarde, em 2007, impar, webchat começou a jogar um grande papel no mix de contato de interações. Isso garantiu a disponibilidade da transcrição de texto [bate-papo], além de todos os dados em torno dele – como qual página que o cliente vem, o que palavra-chave que ele usou, qual o endereço IP que ele usou, qual a região é que o endereço IP atribuído a etc … Isso começou a revolução do uso de análise de dados não estruturados em contact centers.

Text Analytics definido …

Text Mining refere-se ao processo de obtenção de informações de alta qualidade a partir de texto. Isto é conseguido através da transposição palavras e frases em dados não estruturados em valores numéricos que podem ser ligados com dados estruturados em um banco de dados e analisados com técnicas tradicionais de mineração de dados. A aplicação de técnicas de mineração de texto para resolver problemas de negócios é chamada de análise de texto. Um monte de sites irá se referir a ambos “text mining” e “análise de texto” alternadamente.

Texto Arquitetura Mining

O processo de mineração de texto pode ser baseado em um ou linguística ou estatística, ou uma combinação de ambas as abordagens. O Instituto Gartner divide todo o ecossistema em 3 fases

1. Data Colletction [Texto aquisição e preparação]

2. Data Processing [processamento e análise] e

3. Data Representation [output final]

Neste artigo, vamos discutir o aspecto de processamento de dados e não vai tocar em uma coleção de dados e aspecto de representação de dados da solução.

Processamento  (DATA)

Aprendizado de Máquina para dados não estruturados

Dados não estruturados oferece terabytes de informações. Que apresenta uma enorme oportunidade, bem como um grande desafio para sintetizar informações significativas. Aprendizado de máquina oferece uma enorme oportunidade para sintetizar o volume de dados que está disponível e é uma das abordagens mais comuns para lidar com grandes volumes de dados. Aprendizado de Máquina pode ser considerado um subcampo da Ciência e Estatístico de computação. Em 1959, Arthur Samuel definido aprendizagem de máquina como um “campo de estudo que dá aos computadores a capacidade de aprender, sem ser explicitamente programados”.

As maiorias dos pesquisadores sugerem que as abordagens linguísticas são mais utilizadas para análise de texto em vez de técnicas de aprendizado de máquina. Aqui está um exemplo de como um líder de software de mineração de texto categoriza parte do texto disponível em um levantamento baseado na biblioteca padrão.

“Livrar-se do pedaço de sistema automatizado de você operar e dar-me uma opção para ir diretamente a um ser humano experiente.” – Categorizada como um problema Agent Conhecimento pelo software de mineração de texto que esta é uma reclamação sobre o IVR

“A facilidade de enviar e receber dinheiro sem se preocupar com os meus dados caiam nas mãos erradas” – -classificado como um agente “Fácil de Entender” pelo software de mineração de texto que este é mais sobre o processo de transferência de dinheiro

Abordagens linguísticas como uma alternativa para técnicas de Aprendizado de Máquina.

Texto de linguagem natural não é um meio prontamente compreendido por sistemas de computador, em contraste com as linhas e colunas ordenadamente organizar numa base de dados. Esta é a principal razão que a análise de texto teve uma longa gestação, tais antes que pudesse ser utilmente empregado em uma arena de negócios. Nossa experiência sugere o melhor é usar a análise linguística profunda para gerar um dicionário de dados estável com alta cobertura e precisão e, em seguida, usar a aprendizagem de máquina para automatizar estes. No primeiro passo, o qual consiste em identificar palavras. Uma combinação destas abordagens fornece o melhor possível quando os volumes de dados são elevados. Cobertura e Precisão em torno de 70% é uma tarefa difícil na maioria dos casos, especialmente com a análise de transcrição do chat enquanto empresa espera que a cobertura e acurácia de 90% +.

O aspecto de preparação de dados traz a necessidade de marcação de texto. Tagging texto é feito em duas maneiras diferentes a partir de agora

1.Human Tagging: Esta não é escalável e sujeita a diferenças entre os diferentes recursos

2.Auto Tagging: Usa um sistema automatizado com base em técnicas de aprendizado de máquina sem supervisão

Como você pode combinar o melhor de marcação humana e auto marcação para gerar uma solução de custo eficaz?

1. Use o recurso de extração de palavras-chave da ferramenta de análise de texto de olhar para as palavras-chave ou frases que mostram o # de ocorrências

Correlação categoria-documento

2.”Unsupervised” gera pontuações numéricas para cada documento em relação a um conjunto de temas interessantes.

3.Utilize um tagger humano com conhecimento do processo das interações usar essas palavras-chave e frases para construir o conjunto inicial de dicionários de dados

4.”Regression” com aprendizado de máquina supervisionado gera probabilidade numérica que um documento pertence a um dos muitos “classes” estabelecidos.

CONTEXTO é REI

Enquanto estes são exemplos de categorização de texto incorreto, ele envia uma mensagem maior que o contexto é mais importante em Dados Não Estruturados Analytics. Definição de contexto é um desafio que todos os analistas linguísticos estão definidos para conquistar. A abordagem linguística boa utiliza as seguintes abordagens

1.A dicionário de dados que funciona com palavras-chave não lhe fornecer uma visão exata como línguas são, por exemplo mais complexo número de segurança social a ser levantado para temas de segurança. Procure por frases. A expressão “chutar o balde” pode não fazer sentido para alguém familiarizado com expressões idiomáticas americanas.

2.Extração relacionada, quando sentenças associam um assunto, ação e ordem objeto em vez de um saco de palavras abordagem.

3.Distancia é um fator chave nos diálogos a mais no contexto de uma resposta só é apropriada na distância imediatos em vez de todo o comprimento do texto de chat

4.Modificações e Negações – É importante o uso de modificadores e negações. Advérbios e adjetivos são usados para qualificar um verbo e / ou substantivo. Há uma grande diferença entre “bom”, “muito bom” e “não tão bons”

5.Sentimento – Ao fornecer um sentimento para a palavra-chave é algo que a maioria dos motores de análise de texto pode alcançar, proporcionando um sentimento pontuação para cada documento com base no modificador e a negação de todo o documento

6.Visualização e pesquisa de acesso – É importante para permitir que o usuário visualize a análise, bem como para fornecer funcionalidade de pesquisa para o usuário de negócios para entender o contexto melhor.

Como é mineração de texto combinado com análise preditiva eficazes em Gestão da Experiência do Cliente?

Text Mining de verbalização em inquéritos e a transcrição do chat permite à organização identificar variáveis contextuais que adicionar mais detalhes aos dados estruturados existentes estabelecidos para a transação. Além disso, há a possibilidade de fornecer uma contagem sentimento para a interação. Esta pontuação e as outras variáveis permite a previsão da NPS para 100% das interações – uma grande melhoria em relação à taxa de resposta de 5-20% que é tipicamente disponível. Uma visão única de todas essas variáveis [estruturados, não estruturados e previstos] para a liderança e alertas para pobres previu NPS permite que a Organização para fechar o ciclo com não apenas os detratores que responderam à pesquisa, mas também aqueles que, em outros casos teriam apenas comutada.

Construir contra comprar

Como qualquer solução de tecnologia, há uma opção para todos os usuários a comprar, construir ou parceria com um fornecedor para reutilização. Alguns dos critérios que determinam este são como se segue

1.Customizações necessárias para diferentes compromissos e dados diferentes fontes- Se você está tentando definir os dicionários de dados uma vez e ter alterações mínimas e você não precisa adicionar constantemente novas fontes de dados

2.Integração a outros sistemas e suporte necessários – Se você está olhando para integrar isso a sua ferramenta de escuta de mídia social ou sua ferramenta de gerenciamento da experiência do cliente no contact center ou uma ferramenta de análise visual para vários usuários

3.Pessoas preparadas disponíveis na organização

4.Custo

Fornecedores de análise de texto:

Caso você tenha decidido comprar licenças, algumas das principais soluções de análise de texto são fornecidos pelos seguintes provedores – SAS Text Analytics; IBM Text Analytics; Lexalytics; Clarabridge e Attensity

CADASTRE-SE no Blog Televendas & Cobrança e receba semanalmente por e-mail nosso Newsletter com os principais artigos, vagas, notícias do mercado, além de concorrer a prêmios mensais.